Consensus Based Task Allocation for Angles-Only Local Catalog Maintenance of Satellite Systems

Título: Alocação de Tarefas Baseada em Consenso para Manutenção de Catálogo Local de Sistemas de Satélites com Medições Apenas de Ângulos

1. Problema Definido

O crescimento do número de objetos em Órbita Terrestre Baixa (LEO) exige informações de estado precisas e atualizadas para evitar colisões e permitir missões de proximidade (como formação de voo e inspeção). O rastreamento baseado no solo muitas vezes não consegue atingir a precisão necessária para estados relativos.
A solução proposta envolve o uso de múltiplos satélites (agentes) comunicantes equipados com sensores de campo de visão (FOV) limitado que realizam medições apenas de ângulos (angles-only). O desafio central é:

• Manter um catálogo local de estados e covariâncias de objetos (comunicantes e não comunicantes) com incerteza abaixo de um limiar pré-definido.
• Coordenar e agendar eficientemente as observações entre os agentes de forma descentralizada.
• Minimizar o consumo de combustível (combustível para manobras de atitude) enquanto se mantém a incerteza controlada.

O problema é complexo porque os estados e covariâncias variam com o tempo, a definição de quando uma tarefa está "completa" é difícil (a incerteza cresce novamente com o tempo), e as observações de um agente beneficiam a todos os agentes na rede.

2. Metodologia

O artigo propõe um algoritmo de alocação de tarefas descentralizado baseado no Algoritmo de Feixe Baseado em Consenso (CBBA - Consensus-Based Bundle Algorithm), adaptado especificamente para a manutenção de catálogos.

Componentes Principais da Metodologia:

• Dinâmica e Modelagem:

  • Utiliza as equações de Clohessy-Wiltshire-Hill (CWH) para dinâmica orbital relativa.
  • Assume trajetórias de movimento natural (NMTs) para os agentes, permitindo movimento previsível sem gasto de combustível.
  • Modela a dinâmica de atitude e o controle de torques para apontar os sensores.

• Nova Função de Pontuação (Scoring Function):

  • Diferente de métricas anteriores que usavam apenas a Entropia de Shannon (independente da distância), o novo algoritmo utiliza uma função de pontuação $S$ que considera:
    1. Distância ao alvo: A incerteza posicional é proporcional à distância para sensores de ângulo.
    2. Geometria de Observação: Utiliza os eixos principais da matriz de covariância do alvo. Observações são mais valiosas quando o vetor de posição relativa é perpendicular aos eixos de maior incerteza (ângulo $\approx \pm \pi/2$).
    3. Vetores de Autovalores ($\lambda_k$) e Autovetores ($u_k$): A pontuação soma os produtos dos autovalores (variância) pelo seno do ângulo entre o vetor de observação e os eixos principais, dividido pela distância.

• Lógica de Troca de Alvo (Target Switching):

  • Em vez de um tempo de histerese fixo, o algoritmo decide trocar de alvo quando a taxa de diminuição da função de pontuação cai abaixo de um valor crítico ($\alpha$).
  • Implementa uma "lista negra" (blacklist) para alvos que já estão abaixo do limiar de incerteza e para o agente atual se o alvo não estiver no FOV (evitando trocas prematuras durante manobras de atitude que gastam combustível).

• Algoritmo CBBA Adaptado:

  • Os agentes constroem "feixes" (bundles) de tarefas (lista ordenada de alvos).
  • A pontuação do caminho ($\tilde{S}$) é calculada multiplicando a pontuação da observação por uma função de decaimento exponencial baseada na distância angular total percorrida para atingir a tarefa.
  • O algoritmo alterna entre construção de feixes e resolução de conflitos via comunicação entre pares, garantindo que não haja atribuição duplicada de tarefas.

• Controle de Atitude:

  • Utiliza um controlador proporcional com termo de amortecimento (em vez de MPC computacionalmente caro) para rastrear alvos, aplicando torque para alinhar o sensor e igualar a velocidade angular aparente do alvo.

3. Contribuições Chave

1. Aplicação do CBBA a Catálogos Locais: É a primeira avaliação da viabilidade do CBBA para o problema específico de manutenção de catálogos de objetos espaciais com medições de ângulo.
2. Função de Pontuação Otimizada: Desenvolvimento de uma métrica que integra distância, geometria de observação e distribuição de incerteza (covariância), superando a simples minimização de entropia.
3. Estratégia de Troca Dinâmica: Substituição de tempos de histerese fixos por uma lógica baseada na taxa de ganho de informação, permitindo decisões mais adaptativas.
4. Desempenho Descentralizado: O método não requer um supervisor centralizado, aumentando a robustez e reduzindo requisitos de comunicação.

4. Resultados e Simulações

As simulações foram realizadas em Python com dois agentes e oito alvos (corpos) em um ambiente de 200 segundos.

• Parâmetros do Algoritmo:

  • Profundidade de Planejamento: Não houve impacto estatisticamente significativo na performance média ao aumentar a profundidade do planejamento do CBBA (devido à natureza dinâmica e à necessidade de replanejamento frequente).
  • Fator de Desconto (Discount Factor): Um valor de 0.1 foi identificado como ideal, equilibrando o valor do alvo com a distância angular. Valores muito baixos geram alto consumo de combustível; valores muito altos ignoram alvos distantes, aumentando a incerteza acumulada.
  • Parâmetro de Troca ($\alpha$): Um valor de 0.1 também foi otimizado. Valores altos causam trocas frequentes (alto consumo de combustível); valores baixos mantêm os agentes em alvos por muito tempo (pior desempenho na métrica de incerteza).

• Comparação com Abordagens Atuais (Histerese):

  • O novo método foi comparado com o algoritmo baseado em histerese fixa (estado da arte anterior).
  • Resultado: O novo algoritmo baseia-se em CBBA superou a fronteira de Pareto formada pelas abordagens atuais.
  • Ele conseguiu reduzir tanto o consumo de combustível quanto a integral da incerteza acima do limiar (clipped integral) simultaneamente. Especificamente, alcançou um desempenho de incerteza melhor do que a melhor configuração de histerese, mantendo o consumo de combustível competitivo.

5. Significado e Conclusão

O trabalho demonstra que a alocação de tarefas descentralizada baseada em consenso é altamente eficaz para missões de manutenção de catálogos de satélites. A principal vantagem reside na capacidade de ponderar alvos não apenas pela sua incerteza atual, mas pela eficiência da observação (geometria e distância).

Implicações Práticas:

• Permite que constelações de satélites mantenham consciência situacional de alta precisão com menor consumo de combustível.
• Aumenta a robustez do sistema, pois não depende de um nó central.
• Abre caminho para futuras melhorias, como observação simultânea de múltiplos alvos dentro do FOV, comunicação assíncrona (usando ACBBA) e potencial aplicação de aprendizado de máquina para alocação de tarefas e controle.

Em resumo, o artigo apresenta uma solução técnica superior para o agendamento de observações em sistemas multiagente espaciais, otimizando o compromisso crítico entre custo de combustível e precisão de rastreamento.